一、预处理和隐私求交

1.1 数据的不同切分

1.2 DataFrame

联邦表格数据的封装，DataFrame由多个参与方的数据块构成，支持数据水平、垂直切分和混合切分，分别对应3组API：HDataFrame、VDataFrame、MixDataFrame。

1.3 FedNdarray

联邦 ndarray 的封装，同样由多个参与方的数据块构成，支持水平和垂直切分，对应统一的 API： FedNdarray。

1.4 PSI

隐私求交（Private Set Intersection）是一种使用密码学方法来获取两份数据内容交集的算法。PSI过程中不会泄露任务交集以外的信息。在垂直拆分场景中，隐私求交常用于第一步的数据对齐，然后可以进一步做数据分析或机器学习建模。在sf中PSI主要有两种使用方法：spu.psi_csv和data.vertical.read_csv。

二、决策树模型和线性回归模型

2.1决策树模型

隐语支持多种决策树算法（XGB），同时支持回归和二分类训练，可根据使用场景和安全性需求选用。

2.2 线性回归模型

隐语支持多种线性回归模型，满足不同的使用场景，并有一些针对性的优化。

三、神经网络算法

根据场景不同，sf提供了两种神经网络算法：水平联邦学习、垂直拆分学习。

PS：水平联邦学习和垂直拆分学习都属于非可证安全算法，其安全性需要根据场景具体分析。可以通过一些安全加固组件（安全聚合、差分隐私、稀疏化等）加强安全性。

3.1 水平联邦学习

FLModel 是隐语封装好的水平联邦模型训练器，他提供了丰富的选项：

1. 可以自定义数据加载器，隐语支持 DataFrame、文件、图片等各种数据加载器
2. 可以选择内置或者自定义的安全聚合算法，隐语内置了多种安全聚合策略
3. 可以选择内置或者自定义的联邦学习策略，隐语内置了多种联邦策略用于优化训练效率、non-iid 等问题
4. 可以选择训练后端 TensorFlow 或者 PyTorch

3.2 垂直拆分学习

SLModel 作为隐语封装好的垂直拆分模型训练器，他也提供了丰富的选项：

1. 可以自定义数据加载器，隐语支持 DataFrame、文件、图片等各种数据加载器
2. 可以选择内置或者自定义的通信优化算法，隐语内置了多种稀疏化和量化压缩算法
3. 可以选择内置或者自定义的垂直拆分策略，隐语内置了多种加速训练的策略算法
4. 可以选择训练后端 TensorFlow 或者 PyTorch